Распознавание речи по API

Первый запрос

Отправьте файл и имя модели. Без других параметров придёт JSON с полем text.

curl https://api.kosareva.cloud/v1/audio/transcriptions \
  -H "Authorization: Bearer ВАШ_API_КЛЮЧ" \
  -F model="gemini-3-5-transcribe" \
  -F file="@meeting.mp3" \
  -F language="ru"

language необязателен: без него модель определит язык сама, в том числе если собеседники переходят с одного языка на другой. Если язык известен заранее, укажите его кодом из двух букв — ru, en, kk.

Python, OpenAI SDK

from openai import OpenAI

client = OpenAI(
    api_key="ВАШ_API_КЛЮЧ",
    base_url="https://api.kosareva.cloud/v1",
)

with open("meeting.mp3", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="gemini-3-5-transcribe",
        file=audio,
        language="ru",
        prompt="Kosareva Cloud, Kubernetes, PostgreSQL",  # термины и имена — списком
    )

print(result.text)
print(result.usage)  # сколько токенов звука и текста ушло на запрос

Если у вас уже есть код под Whisper, менять нужно три строки: ключ, base_url и model. Модели whisper-1 у нас нет — инструменту, который подставляет её по умолчанию, укажите gemini-3-5-transcribe.

Субтитры: srt и vtt

Попросите response_format srt или vtt — придёт готовый файл субтитров, фразы разбиты по паузам и концам предложений.

with open("lecture.mp3", "rb") as audio:
    subtitles = client.audio.transcriptions.create(
        model="gemini-3-5-transcribe",
        file=audio,
        response_format="srt",  # или "vtt"
    )

with open("lecture.srt", "w", encoding="utf-8") as file:
    file.write(subtitles)

curl https://api.kosareva.cloud/v1/audio/transcriptions \
  -H "Authorization: Bearer ВАШ_API_КЛЮЧ" \
  -F model="gemini-3-5-transcribe" \
  -F file="@lecture.mp3" \
  -F response_format="srt" \
  -o lecture.srt

Таймкоды фраз и слов: verbose_json

В verbose_json кроме текста есть длительность записи, фразы с началом и концом в секундах и каждое слово отдельно.

with open("call.wav", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="gemini-3-5-transcribe",
        file=audio,
        response_format="verbose_json",
        timestamp_granularities=["word"],
    )

print(result.duration)  # длительность записи, секунды
for segment in result.segments:
    print(f"{segment.start:7.2f}–{segment.end:7.2f}  {segment.text}")
for word in result.words[:5]:
    print(word.word, word.start, word.end)

Фразы и слова приходят в verbose_json всегда, параметр timestamp_granularities можно не передавать.

Параметры запроса

Сколько стоит

Цена считается по токенам, как у самой модели: звук — 216 ₽ за миллион токенов, это 25 токенов на секунду записи, то есть около 0,32 ₽ за минуту; текст расшифровки — 1 296 ₽ за миллион токенов. Минута обычной речи в среднем выходит около 0,55 ₽: плотная речь чуть дороже, запись с паузами — дешевле. Сколько ушло на конкретный запрос, видно в расходах кабинета, а в форматах json и verbose_json — ещё и в поле usage ответа. В text, srt и vtt ответ — голый текст, поля usage там нет.

Запрос, который закончился ошибкой, не списывается.

Чего здесь нет

• Живой расшифровки по ходу разговора. Файл отправляется целиком, ответ приходит, когда распознана вся запись; stream не поддерживается.
• Записей длиннее часа и тяжелее 25 МБ. С таймкодами (srt, vtt, verbose_json) — до 30 минут. Длинное режьте на части по паузам, а большие файлы сжимайте: час речи в mp3 на 48 кбит/с занимает около 21 МБ.
• Перевода речи (/v1/audio/translations) — только распознавание на языке записи.
• Разделения говорящих. Модель это умеет, но через наш API пока не отдаёт.
• Распознавания в кабинете без кода — только по API.

Ошибки

Ошибка приходит в формате OpenAI с объяснением по-русски, деньги за неё не списываются. Исключение — 413: слишком большой запрос отклоняется ещё на входе, и тело такого ответа не JSON, поэтому смотрите на код ответа.

Коротко

Распознавание речи подключается тем же ключом и тем же SDK, что и чат, — отдельный договор или сервис не нужен. Для протоколов совещаний берите json или text, для видео — srt, для разметки звонков по времени — verbose_json.